데이터 케어: 세르비아어와 저자원 언어를 위한 언어 기술 재구상

초록

세르비아어를 사례로 저자원 언어(LRL) 기술 개발의 역사·사회·기술적 장애물을 분석하고, 데이터 수집·주석·거버넌스 전 단계에 편향 완화를 내재화하는 “Data Care” 프레임워크를 제안한다.

상세 분석

본 논문은 세르비아어를 중심으로 저자원 언어(LRL) 기술 개발이 직면한 구조적 문제를 다층적으로 조명한다. 첫째, 오스만 제국 점령·전쟁·폭격 등 역사적 사건으로 인해 서면 자료가 대규모로 소실된 점을 ‘데이터 스카시티’의 근본 원인으로 제시한다. 이는 현대 디지털화 과정에서도 디지털 아카이브 부족·저작권 제한·기관 지원 부재와 결합돼 학습용 코퍼스 규모와 품질을 심각히 저해한다. 둘째, 현재 LLM 개발 패러다임이 영어 중심의 다국어 사전학습에 의존하고 있어, 언어 간 전이 효과가 언어적·문화적 근접성이 높은 경우에만 제한적으로 작동한다는 점을 비판한다. 세르비아어는 복합적인 문자 체계(키릴·라틴)와 방대한 방언 변이, 그리고 정치·역사적 맥락에 따라 다변화된 표준어를 가지고 있어, 단순 전이 모델은 의미·형태론적 nuance를 포착하지 못한다. 셋째, 인터뷰 결과는 연구자·실무자들이 ‘엔지니어링‑퍼스트’ 접근에 불만을 표출하고, 데이터 수집 단계에서 문화적·사회적 맥락을 무시한 ‘표면적 전사·번역’이 편향을 고착화한다는 점을 강조한다. 특히, 데이터 라벨링 과정에서 권위 있는 현지 전문가의 참여가 부족하고, 데이터 거버넌스가 중앙집중식으로 운영돼 커뮤니티의 자율성과 통제권이 약화된다. 이러한 문제를 해결하기 위해 저자는 CARE 원칙(Collective Benefit, Authority to Control, Responsibility, Ethics)을 기반으로 한 ‘Data Care’ 프레임워크를 제시한다. 프레임워크는 (1) 데이터 수집·정제 단계에서 지역 커뮤니티와 협업해 문화적 특수성을 반영하고, (2) 데이터 주석에 현지 언어학자·문화인류학자 참여를 의무화해 권위와 책임을 분산시키며, (3) 데이터 사용·공유에 윤리적 가이드라인을 적용해 공동 이익을 극대화하고, (4) 데이터 거버넌스 구조를 투명하게 설계해 사용자·제공자의 통제권을 보장한다. 논문은 또한 세르비아어와 인접 언어(크로아티아어, 보스니아어 등) 간 협업 모델을 제안하면서, 정치적·기관적 장벽을 극복하고 ‘플루리센트’(pluralistic) 데이터 생태계를 구축할 필요성을 강조한다. 전반적으로 본 연구는 기술적 해결책을 넘어 데이터 생애 주기 전반에 걸친 사회·문화적 책임을 재정의함으로써, 저자원 언어가 디지털 주권을 회복하고 지속 가능한 언어 기술 생태계를 형성할 수 있는 로드맵을 제공한다.